Genie 4 的生成迴圈裡,坐著一位導演

Google 的 Genie 4 在 10 月 27 日登場,帶著一個相當高調的說法:第一個在生成世界的同時也生成聲音的世界模型。風、浪、配樂,還有會回你話的角色,全部在同一次生成裡完成,不需要事後再外掛一個音訊模組。
這是頭條。不過我認為,它也是這次發布裡最沒意思的部分。
更有份量的變化在於誰在掌舵。Genie 4 不是接一句提示就往前推演。它運作的時候,Gemini 3.8 Flash 作為引導智慧體待在迴圈裡,一邊看著畫面被生成,一邊把目標拆成步驟,檢查每一步是否真的發生,並在你打斷時修改計畫。Google 把這種整體安排稱為混合式世界模型:Gemini 負責推理接下來該發生什麼,Genie 負責把它畫出來、響出來。
一旦模型在自己的生成迴圈裡有一個監督者,這個產品就不再是影片生成器,而更像一套小型的模擬執行環境。你能要求它做的事變了,你要求它做事時出錯的地方也變了。
實際交付了什麼
具體機制,用白話說:
原生音訊。環境音、音樂和可互動對白與畫面出自同一個生成步驟。角色會回應你輸入的內容,也會回應場景裡的事件。Google 的說法是,音訊不是事後貼上去的裝飾,它本身就是這個世界運作方式的一部分。
即時自然語言控制。模擬進行的同時,你可以改天氣、移動鏡頭,或加入一個新角色、新物體。提示是對照當前場景解讀的,不是孤立解讀。你輸入「下雨」,得到的雨會符合你已經站在其中的光線和地面。
一致性大約加倍。一個場景能維持約兩分鐘,Genie 3 大約是一分鐘。這個數字比聽起來更重要。兩分鐘夠排一場短戲,一分鐘只夠證明一個 demo。
物理與身體。Google 說空氣動力學、碰撞,尤其是人物動作都有改善。角色會對周遭環境做出反應,而不是滑著穿過去。
兩條流都上了 SynthID。影片和音訊都帶浮水印。
真正的新功能是那個導演迴圈
這一段值得坐下來想一想。在普通的生成影片工具裡,你寫好提示,等,然後判斷結果。模型根本不知道自己有沒有做到你要的事。在 Genie 4 裡,Gemini 3.8 Flash 持續把畫面和既定目標比對。你說「那個男人走到門口把門打開」,系統裡有東西在看門到底開沒開,沒開就調整。
這是另一種可靠性,也是另一種成本。每一次核驗都是一次推理,每一次修正都是又跑一遍。Google 的公告完全沒談這套東西跑起來要花多少錢,而這種沉默通常代表答案是「目前很貴」。
Google 還在一場機器人演示裡展示了這套安排:Gemini 4 Argon 把使用者的請求拆成一串步驟,再即時給 Genie 4 下指令,搭出對應的場景。這是把模型當訓練環境用,不是當玩具。這也是整場發布裡意圖最清楚的一句話:即時世界模型鎖定的客戶不是想省一個鏡頭的影視工作者,而是需要一萬種廚房變體的機器人團隊。

知道它聽得見什麼之後,該怎麼開它
可控範圍比一個提示框暗示的要窄,所以先弄清楚有哪些拉桿會比較好用。天氣、鏡頭、角色和物體,都能在模擬中途改。但從 Google 展示的內容看,你不能丟給它一張分鏡表,然後指望它踩點。
所以有效的工作方式是對話式、逐步式的:先給一個地點和一個動作,看十秒鐘,然後一次只調一個變數。要下雨,看地面有沒有反應。移動鏡頭,看聲音跟不跟。放進一個人,看他能不能撐到這一段結束。
一次只改一件事,比寫一長串提示慢,但這是唯一能摸清模型因果理解邊界在哪的辦法。一旦三個改動同時上,結果出了問題,你就不知道是哪一個弄壞的。
還沒搞定的事,老實列一遍
Google 自己的文件比大多數發布稿坦白,而且這些限制寫得很具體。
視覺細節和物體的持續性會漂。模擬跑久了、提示改了幾次、或者走動太多,本來在那裡的東西就不在了,或者變了形。任何用過世界模型超過九十秒的人都見過:你一轉身,身後的建築悄悄換了位置。
複雜的物理互動還是不穩。文字渲染依然很差,這比大家以為的更要緊——招牌和標籤是場景交代自己身處何處的方式。空間精確度只是大致準確。音訊是即時生成的,意思是它聽起來合理,而不是正確;畫面左邊關上的門,聲音不一定從左邊來。
而且這是研究預覽。先給受信任的測試者,再給透過 Project Genie 的 Google AI Ultra 訂閱者,然後是 Gemini API 和 AI Studio 上的早期存取夥伴。有候補名單。沒有公開價格。如果你正在讀這篇,想明天就用,你辦不到。
現在它到底適合做什麼
預視覺化(previsualization)是最明顯的一項,Google 也這麼說。導演可以走進一個生成出來的地點,移動鏡頭、改變光線、調整一句對白,而不必搭景。對一場最終要實拍的戲來說,這是真正有用的一小時。
遊戲與關卡設計是第二項。不是要交付一個關卡,而是走一遍粗略版本,看看視線動線行不行。
機器人與智慧體訓練是第三項,也是背後資金最多的一項。一個安全、可以無窮變化的環境,讓一個策略失敗一萬次,比一個漂亮的 demo 更有價值。
還不適合的,是任何帶交付物的東西。兩分鐘的一致性、會漂的物體、讀不出來的文字,撐不過一次客戶審稿。
值得觀察的模式
三年前,世界模型是研究產物,產出一段五秒、搖搖晃晃的片段。去年,它是產品,能產出一分鐘。今年,它產出兩分鐘,帶聲音,而且會自己跟自己爭論場景有沒有照你的要求走。
下一步不是更多分鐘數。而是一個只要你一直跟它說話,就能一直撐住場景的模型,而且知道什麼時候該停下來問。Genie 4 是這件事的預覽,接縫全都露在外面。
如果你靠做東西維生,這個月實際該做的不是註冊排隊,而是分清楚你工作裡哪一部分是「決定這一鏡該長什麼樣」,哪一部分是「把這一鏡做出來」。前一部分剛剛多了一個便宜很多的排練空間。後一部分還是你的。